因此，构建迭代器主要是为了处理
where子句。
PyTables返回子句为True的索引列表。这些是行号。在这种情况下，没有where子句，但是我们仍然使用索引器，在这种情况下，它只是
np.arange在行列表中。
300MM行需要2.2GB。对于32位Windows（通常最大容量约为1GB）而言，这实在太多了。在64位上，这没有问题。
In [1]: np.arange(0,300000000).nbytes/(1024*1024*1024.0)Out[1]: 2.2351741790771484
因此，这应该通过切片语义来处理，这将使其仅占用少量的内存。问题在这里打开。
所以我建议这个。在这里，索引器是直接计算的，这提供了迭代器的语义。
In [1]: df = Dataframe(np.random.randn(1000,2),columns=list('AB'))In [2]: df.to_hdf('test.h5','df',mode='w',format='table',data_columns=True)In [3]: store = pd.HDFStore('test.h5')In [4]: nrows = store.get_storer('df').nrowsIn [6]: chunksize = 100In [7]: for i in xrange(nrows//chunksize + 1): chunk = store.select('df',start=i*chunksize,stop=(i+1)*chunksize) # work on the chunkIn [8]: store.close()
